分享
基于多任务支持向量机的能源互联网数据深度融合方法_郭政.pdf
下载文档

ID:2372778

大小:1.31MB

页数:6页

格式:PDF

时间:2023-05-10

收藏 分享赚钱
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于 任务 支持 向量 能源 互联网 数据 深度 融合 方法 郭政
第 40 卷第 3 期计算机应用与软件Vol.40 No 32023 年 3 月Computer Applications and SoftwareMar 2023基于多任务支持向量机的能源互联网数据深度融合方法郭政吴武清刘源曾志武杨玎(国网江西省电力有限公司建设分公司江西 南昌 330000)收稿日期:2020 08 17。国家电网公司 2020 年科技项目(52182420000A)。郭政,工程师,主研领域:工程项目管理,BIM 技术在电力工程中的应用。吴武清,高工。刘源,助工。曾志武,工程师。杨玎,高工。摘要在多任务环境下,能源互联网数据冗余干扰较强,后期数据处理误差较大,故提出一种基于多任务支持向量机的能源互联网数据深度融合方法。数据层融合接收待融合能源互联网数据后实施数据离散化、矩阵化处理,将处理后数据发送至特征层融合内,特征层融合利用互信息变量选择算法,提取数据分类特征,并将所提取特征作为决策层融合多任务支持向量机输入,多任务支持向量机将支持向量机各数据分组视为子任务,运算过程中需保证全部学习机间全局差异最小化实现子学习机局部最优化,多任务支持向量机实施数据决策级融合后输出最终融合结果。实验结果表明,该方法准确率高于 99%,且融合加入 10 dB 白噪声的能源互联网数据最小均方误差仍低于 1%。关键词多任务支持向量机能源互联网数据深度融合中图分类号TP3文献标志码ADOI:10 3969/j issn 1000-386x 2023 03 004ENEGY INTENET DATA DEEP FUSION METHOD BASED ONMULTI-TASK SUPPOT VECTO MACHINEGuo ZhengWu WuqingLiu YuanZeng ZhiwuYang Ding(Construction Branch State Grid Jiangxi Electric Power Co,Ltd,Nanchang 330000,Jiangxi,China)AbstractIn the multi task environment,the energy Internet data redundancy interference is strong,and the dataprocessing error is large This paper proposes an energy Internet data deep fusion method based on multi-task supportvector machine The data layer fusion received the energy Internet data to be fused,implemented data discretization andmatrix processing,and sent the processed data to the feature layer fusionThe feature layer fusion used mutualinformation variable selection algorithm to extract data classification features,and took the extracted features as input ofdecision-making level fusion multi-task support vector machine Multi-task support vector machine regarded each datagroup of support vector machine as sub task And in the process of operation,it was necessary to ensure that the globaldifference between all learning machines was minimized to realize the local optimization of sub learning machine Themulti-task support vector machine outputted the final fusion result after data decision level fusion The experimentalresults show that the accuracy of this method is higher than 99%,and the minimum mean square error(MSE)of thefusion energy Internet data with 10 dB white noise is still less than 1%KeywordsMulti-taskSupport vector machineEnergyInternetDataDeep fusion0引言能源互联网是以智能电网为基础,由众多分布式可再生能源组成。能源互联网包含众多电力电子技术以及信息与通信技术,以分布式智能能量管理系统为基础,控制分布式能源设备令水、气、电、热等众多能源实现互补1,实现用能效率最高的目的。能源互联网包含海量设备运行状态、电气参数、储能监控等实时监测数据,需众多传感器实时采集设备各项信息2,为了更好地完成后期数据处理以及智慧能源系统动态控制,需要实时感知与高效的数据融合方法配合。能源第 3 期郭政,等:基于多任务支持向量机的能源互联网数据深度融合方法23互联网相关用户数量巨大,数据采集来源众多,电力网络覆盖范围固定,电力系统成本造价高,传统的数据处理方法无法处理能源互联网海量数据3,存在较强冗余干扰。随着传感器技术快速发展,众多高科技技术已广泛应用于电力系统中,能源系统内智能电网发展极为迅速,能源互联网数据处理问题,受到众多研究人员重视4 5,为保证智能电网稳定运行,能源互联网数据融合的高效性、安全经济性以及运行可靠性极为重要。一些学者也提出了较好的方法。于华楠等6 研究基于压缩感知的综合能源数据处理,利用压缩感知方法处理综合能源数据,实现了对综合能源数据的有效处理,但该方法对于多任务环境下的信息兼容性融合并未做深入研究;杨启京等7 研究大电网未来态一体化模型构建和融合技术,针对大电网未来态势对数据实施融合,实现网省一体化的未来模型融合的高效管理,但是其信息融合粒度单位相对较大,对于多任务环境下的信息融合需求尚未能完全满足要求。支持向量机方法是目前广泛应用于电力、航空等众多领域中的高效方法,针对目前能源互联网发展现状与趋势8,研究基于多任务支持向量机的能源互联网数据深度融合方法,利用多任务支持向量机方法深度融合能源互联网海量数据,提升能源互联网海量数据融合的稳健性,具有较高的抗干扰性能,为能源互联网领域各类应用提供数据与理论支持。1多任务支持向量机的能源互联网数据深度融合1 1多任务支持向量机算法设计支持向量机算法建立目标函数时需满足训练样本错分最小化要求,其公式如下:O=minNi=1yi(w (xi)+b)1(1)式中:xi表示给定样本集;yi表示类别标签;N 表示样本数量;w 与 b 均表示决策函数;(xi)表示核函数。采用支持向量机分类时,不同种类样本容量差异较大,利用支持向量机分类面偏移数量较少样本实现整体样本低错分率。选取不同样本平均错分率最低为原则9,为避免分类面偏移,所获取分类面不同类间距最大化时需实现数量较多的类至分类面距离应大于数量较少的类至分类面距离,可得目标函数如下:L=min1u+N+(N+i=1yi(w (xi)+b)1)+1uN(Ni=N+1yi(w (xi)+b)1 2)(2)式中:N+表示数量较少类样本数量;N表示数量较多类样本数量;u+与 u均为调节不同样本错分比例常数;2为令数量较多的类至分类面距离大于数量较少的类至分类面距离的常数。众多数据具有共性数据域但分布存在差异是多任务学习特性10,将支持向量机内各数据分组视为子任务,建立多任务支持向量机学习模型。多任务学习时众多子任务决策模型应存在较大相似性,多任务支持向量机运算过程中需保证全部学习机间全局差异最小化并实现子学习机的局部最优化。用 p0与 pr分别表示公共决策函数以及修正函数,此时各子任务决策函数fr公式如下:fr=pr+p0(3)进一步获取决策函数公式如下:fr(x)=w (x)+b+wr r(x)+sr(4)式中:sr表示决策系数。其中 p0=w (x)+b 表示全部样本的决策函数;pr=wr r(x)+sr表示相应各子任务的修正函数。可得多任务支持向量机最终目标函数如下:L=minw,w1,wr,1,r,b,d1,dr12(w w)+2tr=1(wr wr)+tr=11u+rm+riT+r()ri+tr=11urmrjT+r()rj utr=12r(5)s tw (xi)+b+wr r(xi)+sr1 ri(w (xi)+b+wr r(xi)+sr)1+2r rj(6)以上公式需满足 ri0,rj0,iT+r,jTr,r=1,2,t;m+r表示数量较少类样本于子任务 r 内的样本数量;mr表示数量较多类样本于子任务 r 内的样本数量,各子任务内数据规模差距较大;u+r表示子任务 r 内数量较少类的正则化常量;ur表示子任务 r 内数量较多类的正则化常量;与 ri、rj分别表示决策函数相应修正函数权重以及数量较少、较多类样本于子任务 r内松弛变量。为提升多任务支持向量机应用于能源互联网数据深度融合时的融合性能,给出如下说明:(1)多任务支持向量机算法运算过程中需实现全部子任务学习最优并保证子任务学习具有一致性以及相似性,便于该算法获取各任务间正向归纳信息。其中目标函数内各子任务间差异项用tr=1(wr wr)表示,不同任务间差异越大时差异项最终结果越高,利用参数 调节差异项惩罚程度。24计算机应用与软件2023 年(2)修正函数与公共决策函数的核函数可完全相同或存在差异。(3)依据支持向量机划分属性特征形式生成子任务,多任务支持向量机算法包含支持向量机可通过样本结构信息获取最终结果特性11,还可利用挖掘样本异常信息提升深度融合的泛化能力。(4)支持向量机算法的目标函数利用修正函数表示松弛变量,松弛变量需大于 0,修正函数需同时大于0,而多任务支持向量机算法中修正函数可体现不同任务间差异,无须令修正函数大于 0。1 2能源互联网数据深度融合的应用能源互联网数据的深度融合指一个或多个信息源数据通过关联、综合等处理方式令所获取最终数据为精确估计,以上文算法为基础的数据深度融合过程如下:设 H1、H2、Hn表示 X 的 n 个分块数据,将分块数据利用 H*=f(H1,H2,Hn)变换处理,此时 X 为实体且其具体数值未知,能源互联网数据深度融合是指利用最优的 f 令从 H1、H2、Hn内所获取数据最终决策为最佳。能源互联网数据深度融合过程主要包括数据层、特征层以及决策层融合,各层数据融合具体内容如表1 所示。表 1数据融合内容融合层输入数据输出数据数据层源数据处理后数据特征层数据层输出数据特征数据决策层特征数据融合结果(1)数据层融合。数据层融合中数据为能源互联网内原始数据,包括反映能源生产的数据、反映能源配送转换的数据、反映能源消费交易和调控的数据、对能源互联网有影响的社会经济环境数据以及表征能源互联网的参与者 人的特征的数据。能源互联网内原始数据具有内容丰富,数据精准的特点,但原始数据运算量较大,通过数据预处理可提升数据深度融合的精度。(2)特征层融合。提取数据层融合所输出数据的特征向量,令所提取特征向量可保留重要数据,经过特征层融合所处理数据可能造成数据损失,降低原始数据精确性。(3)决策层融合。决策层融合是将不同信息源通过决策获取最终融合信息,选取多任务支持向量机方法

此文档下载收益归作者所有

下载文档
你可能关注的文档
收起
展开